XiaoMi-AI文件搜索系统
World File Search System最优性
777 555 LLL EEE TTT - IPU RAN
必须处理各种对象的管理 - 技术、物理、组织、社会经济、生物等，以及跨学科性质的对象。人类的历史就是管理实践的胜利和失败的故事——失败是由于无法解决相关的管理问题或未能使用现有的手段来解决这些问题而导致的。这些工具包括对控制对象形成控制动作的方法，这些控制动作将赋予控制对象必要的属性，例如目标状态的可实现性、稳定性、安全性、根据所选质量标准的最优性等。而这一切——是在信息、时间、能源、环境、财力等资源可能短缺的背景下，以及需要考虑影响控制对象和不可控因素的干扰
相似性缓存 - IRIS-AperTO
摘要 —本文重点介绍相似性缓存系统，其中用户对不在缓存中的对象 𝑜 的请求可以通过存储的相似对象 𝑜 ′ 来（部分）满足，但代价是用户效用的损失。相似性缓存系统可有效地用于多个应用领域，如多媒体检索、推荐系统、基因组研究和机器学习训练/服务。然而，尽管它们具有相关性，但人们对此类系统的行为还远未得到很好的理解。在本文中，我们首次全面分析了离线、对抗和随机设置中的相似性缓存。我们表明相似性缓存带来了重大的新挑战，为此我们提出了第一个具有一些最优性保证的动态策略。我们在合成和真实请求跟踪下评估了我们方案的性能。
顺序很重要：交换顺序对量子网络中纠缠路径的影响
摘要 — 在本文中，我们研究了给定路径纠缠交换顺序的纠缠路径的路径度量的属性。我们展示了如何有效地计算任何给定交换顺序的纠缠路径的路径度量。我们表明，同一路径的不同纠缠交换顺序会导致不同的预期吞吐量。一个关键的发现是，沿路径的纠缠交换对应的二元运算符不具有结合性。我们进一步表明，在任何纠缠交换顺序下计算具有最大预期吞吐量的 s - t 路径的问题不具有子路径最优性，这是大多数路径查找算法（如 Dijkstra 算法）所依赖的关键属性。我们使用大量模拟来验证我们的理论发现。关键词：纠缠路由、纠缠交换、预期吞吐量、路径度量、量子网络。
利用监督控制架构增强闭环认知压力调节的技术
摘要 — 目标：我们提出了新颖的监督控制架构来调节认知压力状态并闭合回路。方法：我们获取皮肤电导信号底层神经脉冲中存在的信息，并采用基于模型的控制技术在状态空间框架中闭合回路。为了提高性能，我们建立了一个监督知识层来实时更新控制系统。在监督架构中，控制器参数正在实时更新。结果：统计分析证明了监督控制架构在改善闭环结果方面的效率，同时通过更优化的控制措施将压力水平保持在所需范围内。基于模型的方法将保证控制系统视角的标准，例如稳定性和最优性，而所提出的监督知识层将进一步提高其效率。结论：这项计算机研究的结果验证了所提出的监督架构在现实世界中实施的效率。
规划算法
由于机器人技术、人工智能和控制理论领域的许多激动人心的发展，三个曾经截然不同的课题现在正走向碰撞。在机器人技术中，运动规划最初关注的是诸如如何在不撞到任何东西的情况下将钢琴从一个房间搬到另一个房间的问题。然而，该领域已经发展到包括不确定性、多个物体和动态等复杂问题。在人工智能中，规划最初意味着寻找一系列逻辑运算符或动作，将初始世界状态转化为期望的目标状态。目前，规划的范围超出了这一点，包括许多决策理论思想，如马尔可夫决策过程、不完全状态信息和博弈论均衡。虽然控制理论传统上关注稳定性、反馈和最优性等问题，但人们对设计用于为非线性系统找到可行开环轨迹的算法的兴趣日益浓厚。在本论文的某些部分中，已经应用了“运动规划”这一术语，但其解释与机器人技术中的用法不同。因此，尽管机器人技术、人工智能和控制理论领域最初考虑的是不同的问题，但它们的范围已经扩大，具有一个有趣的共同点。在本文中，我将以涵盖这一共同点的广义使用“规划”一词。但这并不意味着该术语涵盖机器人技术、人工智能和控制理论领域中的所有重要内容。本演讲重点介绍与规划相关的算法问题。在机器人技术中，重点是通过处理复杂的几何模型来设计生成有用运动的算法。在人工智能中，重点是设计使用决策理论模型来计算适当动作的系统。在控制理论中，重点是计算系统可行轨迹的算法，并额外涉及反馈和最优性。分析技术占控制理论文献的大部分，但不是本演讲的重点。 “规划和控制”这个短语通常用于识别开发系统中的互补问题。规划通常被认为是比控制更高级别的过程。在本文中，我没有做这样的区分。忽略这些术语的历史含义，“规划”和“控制”可以用于
用于过程动态建模目的的最佳复发神经网络体系结构的自动选择
在本文中已经解决了与设计用于行为（Black-box）建模的人工神经网络的结构有关的算法有关的问题。该研究包括四个针对神经网络架构搜索的算法的原始建议。算法基于众所周知的优化技术，例如进化算法和梯度下降方法。在介绍的研究中，已经使用了一种经常性类型的人工神经网络，其档案是根据上述算法以优化的方式选择的。最优性已被理解为实现神经网络的大小之间的交易及其在捕获已学习的数学模型响应的准确性之间。在优化期间，已经提出了原始的专业进化算子。研究涉及一项基于从加压水核反应堆中发生的快速过程的数学模型产生的数据扩展验证研究。
动态系统识别 - 飞机应用第 2 部分
5.2 系统参数状态估计问题分解的影响 5.3 频域中线性系统的输入信号优化 5.3.1 频域中的 Fisher 信息矩阵 5.3.2 信息空间中信息矩阵的表示 5.4 利用凸分析计算最优输入信号 5.4.1 凸分析的应用 5.4.2 谐波输入信号 5.4.3 输入设计的全局最优性 5.5 谐波输入信号的优化 5.5.1 梯度法的应用 5.5.2 谐波输入信号的组合 5.5.3 消除多余的谐波输入信号 5.6 结论 最优输入信号的设计和评估 6.1 时域输入设计 6.1.1 DUT 纵向输入信号的设计 6.1.2 DUT 横向输入信号的设计6.1.3 Doublet、3211、Mehra 和 Schulz 输入信号
全连接传感器中的分布式跟踪比率优化
摘要 — 迹线比优化问题包括最大化两个迹线算子之间的比率，并且经常出现在去噪或判别分析的降维问题中。在本文中，我们提出了一种分布式自适应算法来解决网络范围协方差矩阵上的迹线比优化问题，该矩阵捕获无线传感器网络中传感器之间的空间相关性。我们专注于完全连接的网络拓扑，在这种情况下，分布式算法通过在每个给定节点上仅共享观察到的信号的压缩版本来减少通信瓶颈。尽管进行了这种压缩，仍然可以证明该算法能够收敛到最大迹线比，就好像所有节点都可以访问网络中的所有信号一样。我们提供模拟结果来证明所提算法的收敛性和最优性。索引词 — 降维、分布式优化、迹线比、判别分析、SNR 优化、无线传感器网络。
规划算法 - Steven M. LaValle
由于机器人技术、人工智能和控制理论领域的许多令人兴奋的发展，三个曾经截然不同的课题现在正走向碰撞。在机器人技术中，运动规划最初关注的是诸如如何在不撞到任何东西的情况下将钢琴从一个房间搬到另一个房间的问题。然而，该领域已经发展到包括不确定性、多个物体和动态等复杂问题。在人工智能中，规划最初意味着寻找一系列逻辑运算符或动作，将初始世界状态转化为期望的目标状态。目前，规划的范围超出了这一点，包括许多决策理论思想，如马尔可夫决策过程、不完全状态信息和博弈论均衡。虽然控制理论传统上关注稳定性、反馈和最优性等问题，但人们对设计用于为非线性系统找到可行开环轨迹的算法的兴趣日益浓厚。在本论文的某些部分中，已经应用了“运动规划”这一术语，但其解释与机器人技术中的用法不同。因此，尽管机器人技术、人工智能和控制理论领域最初考虑的是不同的问题，但它们的范围已经扩大，具有一个有趣的共同点。在本文中，我将以涵盖这一共同点的广义使用“规划”一词。但这并不意味着该术语涵盖机器人技术、人工智能和控制理论领域中的所有重要内容。本演讲重点介绍与规划相关的算法问题。在机器人技术中，重点是设计通过处理复杂几何模型来生成有用运动的算法。在人工智能中，重点是设计使用决策理论模型来计算适当动作的系统。在控制理论中，重点是计算系统可行轨迹的算法，并额外涉及反馈和最优性。分析技术占控制理论文献的大部分，但不是本演讲的重点。 “规划和控制”这个短语通常用于识别开发系统中的互补问题。规划通常被认为是比控制更高级别的过程。在本文中，我没有做这样的区分。忽略这些术语的历史含义，“规划”和“控制”可以用于